1. Introducción
En este seminario analizamos cómo factores estructurales y tecnológicos impactan en la salud mental en España. Nos centramos en tres dimensiones:
Contexto de Salud Mental: ¿Quiénes sufren más depresión?
Contexto Tecnológico: ¿Cómo es la brecha digital por edad y territorio?
Interacción: ¿Cómo se relacionan estos factores (Empleo, Educación y Territorio) con el bienestar psicológico?
Para ello, hemos procesado datos de la Encuesta Europea de Salud y la Encuesta TIC del INE utilizando R.
2. Contexto de Salud Mental
Analizamos la prevalencia de depresión utilizando los gráficos generados en tus scripts de procesamiento de CSV y JSON.
Depresión por Actividad Económica y Sexo
Visualizamos el impacto del desempleo diferenciando entre “Cuadro depresivo mayor” y otros cuadros.
# Código extraído de: Tablas_graficos_CSV.R
# Preparación (si no viniera del RData)
datos_grafico_actividad <- mis_datos_salud_mental$depresion_actividad_economica %>%
rename(Porcentaje = Total) %>%
mutate(Porcentaje = as.numeric(sub(",", ".", Porcentaje, fixed = TRUE))) %>%
filter(
Sexo != "Ambos sexos",
`Actividad.económica` != "TOTAL",
`Prevalencia.depresión` %in% c("Cuadro depresivo mayor", "Otros cuadros depresivos")
)
# Gráfico
g_actividad_apilado <- ggplot(datos_grafico_actividad,
aes(x = reorder(`Actividad.económica`, Porcentaje),
y = Porcentaje,
fill = `Prevalencia.depresión`)) +
geom_col() +
facet_wrap(~ Sexo) +
coord_flip() +
labs(
title = "Depresión por Actividad Económica y Sexo",
subtitle = "Mostrando 'Cuadro depresivo mayor' y 'Otros cuadros depresivos'",
x = "Actividad Económica",
y = "Porcentaje Total de Prevalencia (%)",
fill = "Prevalencia"
) +
scale_fill_brewer(palette = "Reds") +
theme_minimal()
print(g_actividad_apilado)
Intensidad de la Depresión por Edad
Analizamos la gravedad de los síntomas a lo largo del ciclo vital.# Código extraído de: Tablas_graficos_CSV.R
datos_grafico_edad <- mis_datos_salud_mental$depresion_sexo_y_grupo_de_edad %>%
rename(Porcentaje = Total) %>%
mutate(Porcentaje = as.numeric(sub(",", ".", Porcentaje, fixed = TRUE))) %>%
filter(
Sexo != "Ambos sexos",
Edad != "TOTAL",
`Intensidad.depresión` %in% c("Leve", "Moderada", "Moderadamente grave", "Grave")
)
g_edad_apilado <- ggplot(datos_grafico_edad,
aes(x = Edad,
y = Porcentaje,
fill = `Intensidad.depresión`)) +
geom_col() +
facet_wrap(~ Sexo) +
labs(
title = "Intensidad de Depresión por Edad y Sexo",
subtitle = "Mostrando niveles de 'Leve' a 'Grave' apilados",
x = "Grupo de Edad",
y = "Porcentaje Total de Prevalencia (%)",
fill = "Intensidad"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(g_edad_apilado)
3. Contexto de Uso de TICs
A continuación, establecemos el perfil tecnológico de España, observando la brecha generacional en las distintas Comunidades Autónomas.# Código extraído de: Gráfico_barras_TICS.R
# Corrección y limpieza de nombres de comunidad para el gráfico
uso_tic_total_corregido <- uso_tic_total %>%
mutate(
Comunidad = case_when(
Comunidad == "Andalucía" ~ "Andalucía",
Comunidad == "Aragón" ~ "Aragón",
Comunidad == "Asturias, Principado de" ~ "Asturias",
Comunidad == "Balears, Illes" ~ "Baleares",
Comunidad == "Canarias" ~ "Canarias",
Comunidad == "Cantabria" ~ "Cantabria",
Comunidad == "Castilla y León" ~ "Castilla y León",
Comunidad == "Castilla - La Mancha" ~ "Castilla - La Mancha",
Comunidad == "Comunitat Valenciana" ~ "Comunidad Valenciana",
Comunidad == "Extremadura" ~ "Extremadura",
Comunidad == "Galicia" ~ "Galicia",
Comunidad == "Madrid, Comunidad de" ~ "Madrid",
Comunidad == "Murcia, Región de" ~ "Murcia",
Comunidad == "Navarra, Comunidad Foral de" ~ "Navarra",
Comunidad == "País Vasco" ~ "País Vasco",
Comunidad == "Rioja, La" ~ "La Rioja",
Comunidad == "Ceuta" ~ "Ceuta",
Comunidad == "Melilla" ~ "Melilla",
TRUE ~ Comunidad
)
)
# Pivotaje a formato largo para ggplot
uso_tic_total_pivotada <- uso_tic_total_corregido %>%
pivot_longer(
cols= -Comunidad,
names_to = "Grupo_Edad",
values_to = "Frecuencia_Total"
)
orden_grupos <- c("Frecuencia_Total_Niños", "Frecuencia_Total_Adultos", "Frecuencia_Total_Mayores")
uso_tic_ordenada <- uso_tic_total_pivotada %>%
mutate(Grupo_Edad = factor(Grupo_Edad, levels = orden_grupos))
# Gráfico de Barras
ggplot(uso_tic_ordenada, aes(x=Comunidad, y=Frecuencia_Total, fill=Grupo_Edad))+
geom_bar(stat = "identity", position = "dodge")+
labs(
title= "Perfil de Uso Frecuente de las TIC por Edad y Comunidad",
y= "Porcentaje de Uso Promedio(%)",
x= "Comunidad Autónoma",
fill = "Grupo de Edad")+
theme_classic()+
theme(axis.text.x = element_text(angle = 60, hjust = 1))
4. Relación TICs con Depresión por Comunidades
¿Cómo se distribuye geográficamente el uso de tecnología? Utilizamos un mapa interactivo para explorar los datos territoriales.# Código extraído de: Mapa_España_TICS.R
mapa_españa_ccaa <- esp_get_ccaa(moveCAN = TRUE)
# Corrección de nombres para el join con el mapa
uso_tic_total_corregido_mapa <- uso_tic_total %>%
mutate(
Comunidad = case_when(
Comunidad == "Balears, Illes" ~ "Baleares",
Comunidad == "Castilla - La Mancha" ~ "Castilla-La Mancha",
Comunidad == "Comunitat Valenciana" ~ "Comunidad Valenciana",
Comunidad == "Madrid, Comunidad de" ~ "Madrid",
Comunidad == "Murcia, Región de" ~ "Murcia",
Comunidad == "Navarra, Comunidad Foral de" ~ "Navarra",
Comunidad == "Rioja, La" ~ "La Rioja",
TRUE ~ Comunidad
)
)
mapa_con_datos <- mapa_españa_ccaa %>%
left_join(uso_tic_total_corregido_mapa, by = c("ccaa.shortname.es" = "Comunidad"))
# Preparación del tooltip interactivo
mapa_con_datos <- mapa_con_datos %>%
mutate(
tooltip_data = paste0(
'Comunidad Autónoma: ', ccaa.shortname.es, "<br>",
"Uso Adultos: ", round(Frecuencia_Total_Adultos, 2), "%<br>",
"Uso Niños: ", round(Frecuencia_Total_Niños, 2), "%<br>",
"Uso Mayores: ", round(Frecuencia_Total_Mayores, 2), "%"
)
)
colores_ccaa <- c(
"Andalucía" = "#C0C0C0", "Aragón" = "#FFD700", "Asturias" = "#0000FF",
"Baleares" = "#800080", "Canarias" = "#FFA500", "Cantabria" = "#008000",
"Castilla y León" = "#B0C4DE", "Castilla-La Mancha" = "#FF0000",
"Comunidad Valenciana" = "#ADD8E6", "Extremadura" = "#8B4513",
"Galicia" = "#40E0D0", "Madrid" = "#FFFF00", "Murcia" = "#FFC0CB",
"Navarra" = "#A52A2A", "País Vasco" = "#00FF00", "La Rioja" = "#DA70D6",
"Ceuta" = "#4682B4", "Melilla" = "#5F9EA0", "Cataluña" = "#FFDAB9"
)
mapa_estatico_gg <- ggplot(data = mapa_con_datos) +
geom_sf(
aes(fill = ccaa.shortname.es, text = tooltip_data, key = ccaa.shortname.es),
color = NA, size = 0
) +
geom_sf_text(aes(label = ccaa.shortname.es), color = "black", size = 2) +
scale_fill_manual(values = colores_ccaa) +
theme_void() +
theme(legend.position = "none")
mapa_interactivo_gg <- ggplotly(mapa_estatico_gg, tooltip = "text")
mapa_interactivo_final <- mapa_interactivo_gg %>%
style(hoveron = "fills", traces = 1) %>%
layout(
hoverlabel = list(bgcolor = "white", bordercolor = "black", font = list(color = "black"))
)
mapa_interactivo_final5. Relación TICs con Depresión por Nivel de Estudios
Analizamos si la educación actúa como factor protector, utilizando un gráfico de doble eje.# Código extraído de: Grafico_nivel_estudios.R
if(exists("tabla_nivel_estudios_final")){
max_tics <- max(tabla_nivel_estudios_final$Porcentaje_TICS, na.rm = TRUE)
max_depresion <- max(tabla_nivel_estudios_final$Porcentaje_Depresion, na.rm = TRUE)
factor_escala <- max_tics / max_depresion
ggplot(tabla_nivel_estudios_final,
aes(x = as.numeric(factor(Nivel_de_estudios,
levels = c("Básico e inferior", "Intermedio", "Superior"))),
group = 1)) +
geom_line(aes(y = Porcentaje_TICS, color = "Uso de TICs"), linewidth = 1.5) +
geom_point(aes(y = Porcentaje_TICS, color = "Uso de TICs"), size = 4) +
geom_text(aes(y = Porcentaje_TICS, label = round(Porcentaje_TICS, 1)), vjust = -1.5) +
geom_line(aes(y = Porcentaje_Depresion * factor_escala, color = "Depresión"), linewidth = 1.5) +
geom_point(aes(y = Porcentaje_Depresion * factor_escala, color = "Depresión"), size = 4) +
geom_text(aes(y = Porcentaje_Depresion * factor_escala, label = round(Porcentaje_Depresion, 2)), vjust = 2) +
scale_y_continuous(
name = "Uso de TICs (%)",
sec.axis = sec_axis(~ . / factor_escala, name = "Depresión (%)")
) +
scale_x_continuous(
breaks = 1:3,
labels = c("Básico e inferior", "Intermedio", "Superior"),
name = "Nivel de Estudios"
) +
scale_color_manual(values = c("Uso de TICs" = "#1f77b4", "Depresión" = "#d62728")) +
labs(
title = "Conclusión: El Nivel de Estudios como Factor Protector",
subtitle = "A mayor nivel educativo, aumenta el uso de TICs y disminuye la depresión",
color = "Indicador"
) +
theme_classic() +
theme(legend.position = "bottom")
}
6. Relación TICs con Empleabilidad
Finalmente, mostramos la “paradoja” del uso de tecnología y la empleabilidad.# Código extraído de: Gráfico_impacto_trabajo_TICS.R
# NOTA: Este script asume que 'df_contexto' y 'df_final_narrativa' existen.
# Nos aseguramos de que se generen usando el código de "Impacto del Trabajo y las TICs.R" primero.
# --- PREPARACIÓN (Impacto del Trabajo y las TICs.R) ---
# 1. Preparar Contexto
df_contexto <- mis_datos_salud_mental$depresion_actividad_economica %>%
rename(Actividad = `Actividad.económica`, Tipo_Depresion = `Prevalencia.depresión`, Porcentaje = Total) %>%
filter(Sexo == "Ambos sexos", Tipo_Depresion == "Cuadro depresivo mayor", Actividad != "TOTAL") %>%
mutate(
Tasa_Depresion = parse_number(Porcentaje, locale = locale(decimal_mark = ",")),
Clave_Union = case_when(
Actividad == "Jubilado/a o prejubilado/a" ~ "Jubilado/Pensionista",
Actividad == "Labores del hogar" ~ "Labores del hogar",
Actividad == "Incapacitado/a para trabajar" ~ "Incapacitado",
TRUE ~ "Otros"
),
Color_Barra = ifelse(Clave_Union == "En desempleo", "#C0392B", "#95A5A6")
)
# 2. Preparar TICs
lista_frecuencias <- c("Han usado Internet diariamente (al menos 5 días a la semana)", "Han utilizado internet varias veces al día")
df_tic_preparado <- mis_datos_tic$uso_internet_socioeconomico %>%
rename(Grupo = Clase.de.población, Características = Características.socioeconómicas, Frecuencia = Frecuencia.de.uso, Total_TIC = Total) %>%
filter(Grupo == "Total de personas (16 a 74 años)", Frecuencia %in% lista_frecuencias) %>%
mutate(
Tasa_Internet = parse_number(Total_TIC, locale = locale(decimal_mark = ",")),
Clave_Union = case_when(
Características == "Situación laboral: Activos ocupados" ~ "Trabajando",
Características == "Situación laboral: Activos parados" ~ "En desempleo",
Características == "Situación laboral: Inactivos: Estudiantes" ~ "Estudiando",
Características == "Situación laboral: Inactivos: Pensionistas" ~ "Jubilado/Pensionista",
Características == "Situación laboral: Inactivos: Labores del hogar" ~ "Labores del hogar",
TRUE ~ "Otros"
)
) %>%
group_by(Clave_Union) %>%
summarise(Tasa_Internet = mean(Tasa_Internet, na.rm = TRUE))
# 3. Union Final
df_final_narrativa <- left_join(df_contexto, df_tic_preparado, by = "Clave_Union") %>%
filter(!is.na(Tasa_Internet)) %>%
select(Clave_Union, Tasa_Depresion, Tasa_Internet, Color_Barra, Actividad)
# --- VISUALIZACIÓN (Gráfico_impacto_trabajo_TICS.R) ---
g1 <- ggplot(df_contexto, aes(x = reorder(Actividad, -Tasa_Depresion), y = Tasa_Depresion)) +
geom_col(aes(fill = Color_Barra), width = 0.6, alpha = 0.9) +
geom_text(aes(label = paste0(Tasa_Depresion, "%")), vjust = -0.5, fontface = "bold", color = "#2C3E50", size = 3.5) +
scale_fill_identity() +
scale_x_discrete(labels = function(x) stringr::str_wrap(x, width = 10)) +
scale_y_continuous(limits = c(0, max(df_contexto$Tasa_Depresion) + 1.5)) +
labs(
title = "<span style='font-size:14pt'>1. El Contexto</span>",
subtitle = "El <span style='color:#C0392B'><b>Desempleo</b></span> es el factor crítico en la salud mental base.",
x = "", y = ""
) +
theme_fivethirtyeight() +
theme(
plot.title = element_markdown(face = "bold"),
plot.subtitle = element_markdown(size = 10),
axis.text.x = element_text(size = 8.5, face = "bold", lineheight = 0.9),
axis.text.y = element_blank(),
panel.grid.major = element_blank(),
plot.background = element_rect(fill = "white", color = NA),
panel.background = element_rect(fill = "white", color = NA)
)
g2 <- ggplot(df_final_narrativa, aes(x = Tasa_Internet, y = Tasa_Depresion)) +
geom_smooth(method = "lm", se = FALSE, color = "aquamarine1", linetype = "solid", size = 1) +
geom_point(aes(fill = Clave_Union), size = 6, shape = 21, color = "white", stroke = 1.5) +
geom_mark_ellipse(aes(filter = Clave_Union %in% c("En desempleo", "Estudiando"),
label = Clave_Union,
description = "Perfiles opuestos"),
label.fontsize = 8,
label.buffer = unit(5, "mm"),
con.cap = 0,
color = "grey50") +
geom_text_repel(aes(label = Clave_Union),
data = subset(df_final_narrativa, !Clave_Union %in% c("En desempleo", "Estudiando")),
size = 3.5, color = "grey40", point.padding = 0.5) +
scale_fill_tableau() +
labs(
title = "<span style='font-size:14pt'>2. El Giro (TICs)</span>",
subtitle = "Alta tecnología no garantiza salud mental: comparar <b style='color:#F28E2B'>Estudiantes</b> vs <b style='color:#E15759'>Parados</b>.",
x = "Uso Diario de Internet (%)",
y = "Depresión Mayor (%)",
caption = "Fuente: Elaboración propia con datos INE"
) +
theme_minimal(base_size = 12) +
theme(
plot.title = element_markdown(face = "bold"),
plot.subtitle = element_markdown(size = 10),
legend.position = "none",
axis.title = element_text(size = 9, face = "bold", color = "grey40"),
panel.grid.minor = element_blank(),
panel.grid.major = element_line(color = "grey95")
)
layout_final <- g1 + g2 +
plot_annotation(
title = 'IMPACTO DEL TRABAJO Y LA BRECHA DIGITAL EN LA SALUD MENTAL',
subtitle = 'Análisis cruzado de Encuesta Europea de Salud y Encuesta TIC',
theme = theme(plot.title = element_text(size = 18, face = "bold", hjust = 0.5))
)
print(layout_final)